[发明专利]一种基于改进QPSO的FCM医学图像分割方法

权利要求书

1.一种基于改进QPSO(Quantum Particle Swarm Optimization)的FCM(Fuzzy C-Means)医学图像分割方法，其特征在于包含以下步骤：

步骤1：输入一张医学图像；

步骤2：设定模糊指数m，迭代停止阈值e，并对给定的医学图像提取灰度特征，做灰度直方图，确定聚类数目为c；

步骤3：利用改进的量子粒子群找到最佳聚类中心；

步骤4：利用得到的最佳粒子，即医学图像的聚类中心，计算医学图像中每个像素点到聚类中心的隶属度，以其为依据，确定医学图像中每个像素的最后归属；

步骤5：输出最终的医学图像分割结果。

2.根据权利要求1所述的一种基于改进QPSO的FCM医学图像分割方法，其特征在于：所述步骤3中利用改进的量子粒子群找到最佳聚类中心的具体步骤为：

步骤3.1：参数初始化，随机取c个像素点作为聚类中心为一个初始粒子，反复进行n次,共生成n个初始粒子；

步骤3.2：利用模糊指数m及聚类中心计算隶属度，将FCM的目标函数作为改进的量子粒子群算法的适应度函数，计算适应度值；

步骤3.3：比较每个粒子的适应度值，对所有粒子进行适应度评价。利用改进的量子粒子群更新粒子，并计算其适应度值，如果达到结束条件，则停止迭代，否则继续更新粒子。

3.根据权利要求2所述的一种基于改进QPSO的FCM医学图像分割方法，其特征在于：所述步骤3.1的具体计算步骤为：参数初始化，假设X＝{x₁，x₂，...x_t}代表一系列像素点，t为医学图像中像素的个数，设置种群大小n，最大迭代次数M，其中2<c<t；随机取c个像素点作为聚类中心为一个初始粒子，反复进行n次，共生成n个初始粒子，每一类的聚类中心可以表示为V＝{v₁，v₂，...v_c}。

4.根据权利要求2所述的一种基于改进QPSO的FCM医学图像分割方法，其特征在于：所述步骤3.2的具体计算步骤为：根据式(1)计算每个像素点到聚类中心的距离d_ij，根据距离及式(2)计算每个像素点对应每个聚类中心的隶属度u_ij，其中m是隶属度指数，刻画分类结果的模糊程度，m>1，m越大表示分类结果越模糊，通常取m＝2；式(3)中J(U,V)表示粒子的适应度值，它的大小反映图像像素对目标类的隶属程度，值越小表示像素属于对应类的可能性越大，聚类效果越好，同时要满足式(4)。

d_ij＝||x_i-v_j||² (1)

5.根据权利要求2所述的一种基于改进QPSO的FCM医学图像分割方法，其特征在于：所述步骤3.3的具体计算步骤为：粒子位置更新的公式如式(5)至(9)所示，其中，pb_i是第i个粒子的个体最优位置；gb是整个种群的最优位置；rand(0,1)是一个函数，其返回值是一个[0，1]之间的随机数；t是当前的进化代数；t_max是算法的最大进化代数；β称为收缩扩张系数，它随着算法的迭代而逐渐减小；p_i是第i个粒子的位置。利用新得到的粒子计算新的适应度值，如果达到结束条件即适应度值是否小于阈值e,或者迭代次数超过M，否则继续更新粒子。

a＝rand(0,1) (5)

p＝a*pb_i+(1-a)*gb (6)

u＝rand(0,1) (8)

。